def get_cleaned_data():
key_value = get_basic_info()
# https://docs.python.org/ja/3/library/re.html#re.sub
# (?:...)
# 普通の丸括弧の、キャプチャしない版です。丸括弧で囲まれた正規表現にマッチしますが、このグループがマッチした部分文字列は、マッチを実行したあとで回収することも、そのパターン中で以降参照することも できません 。
# 文字列型 repl 引数では、上で述べた文字エスケープや後方参照に加えて、
# \g<name> は (?P<name>...) 構文で定義された name という名前のグループがマッチした部分文字列を使い、
# \g<number> は対応するグループ番号を使います。よって \g<2> は \2 と等価ですが、 \g<2>0 のような置換
# においても曖昧になりません。 \20 は、グループ 20 への参照として解釈され、グループ 2 への参照にリテラル文字
# '0' が続いたものとしては解釈されません。後方参照 \g<0> は正規表現とマッチした部分文字列全体で置き換わります。
# *?, +?, ??
# '*' 、 '+' 、および '?' 修飾子は全て 貪欲 (greedy) マッチで、できるだけ多くのテキストにマッチします。この挙動が望ましくない時もあります。例えば正規表現 <.*> が '<a> b <c>' に対してマッチされると、 '<a>' だけでなく文字列全体にマッチしてしまいます。修飾子の後に ? を追加すると、 非貪欲 (non-greedy) あるいは 最小 (minimal) のマッチが行われ、できるだけ 少ない 文字にマッチします。正規表現 <.*?> を使うと '<a>' だけにマッチします。
# [^\]]+
# [^5] は '5' を除くあらゆる文字にマッチ
pattern1 = re.compile(
r'''
\[\[
(?:[^\]]+\|)
(.+?)
\]\]
''', re.VERBOSE)
#('元首等肩書', '[[イギリスの君主|女王]]'))
#→[[女王]]
#('元首等肩書', '女王'), ('元首等肩書', '[[イギリスの君主|女王]]'))
# (('確立形態3', '1800年連合法）'), ('確立形態3', '[[グレートブリテン及びアイルランド連合王国]]建国<br />（[[連合法 (1800年)|1800年連合法]]）'))
#
pattern2 = re.compile(
r'''
\[\[
(.+?)
\]\]
''', re.VERBOSE)
#(('確立形態3', 'グレートブリテン及びアイルランド連合王国建国<br />（連合法 (1800年)|1800年連合法）'), ('確立形態3', '[[グレートブリテン及びアイルランド連合王国]]建国<br />（[[連合法 (1800年)|1800年連合法]]）'))
# https://qiita.com/hidei/items/05634f810212e8ce0870
# re.sub(r'(hoge)', '\\1bar', 'hogefoo')
# re.sub(r'(第)三', '\g<1>3', '第三')
# zip(result, key_value)
result1 = [(key, re.sub(r'\'\'+', '', value))
for (key, value) in key_value]
result2 = [(key, re.sub(pattern1, "\g<1>", value))
for (key, value) in result1]
# value = 'abcde'
# patten1 = r'a(bcd)e'
# \g<1> = "bcd"
# results = "bcd"
result3 = [(key, re.sub(pattern2, "\g<1>", value))
for (key, value) in result2]
# (('国章リンク', '（国章）'), ('国章リンク', '（[[イギリスの国章|国章]]）'))
# print('\n'.join(map(str, zip(result3, key_value))))
return result3
# coding: utf-8
import re
from q25 import get_basic_info
def remove_emphasis_expression(text):
return re.sub(r'(\'{2,3}|\'{5})(.+?)\1', r'\2', text)
if __name__ == '__main__':
with open('britain.txt', 'r') as f:
text = f.read()
d = get_basic_info(text)
res = {k: remove_emphasis_expression(v) for k, v in d.items()}
print(res)
# coding: utf-8
import urllib.parse
import urllib.request
import json
from q25 import get_basic_info
if __name__ == '__main__':
with open('britain.txt', 'r') as f:
text = f.read()
d = get_basic_info(text)
params_str = urllib.parse.urlencode({
'action': 'query',
'prop': 'imageinfo',
'titles': 'File:{0}'.format(d['国旗画像']),
'iiprop': 'url',
'format': 'json'
})
with urllib.request.urlopen('https://www.mediawiki.org/w/api.php?{0}'.format(params_str)) as response:
res = json.loads(response.read().decode('utf-8'))['query']['pages']['-1']['imageinfo'][0]['url']
print(res)
"""
26. 強調マークアップの除去
25の処理時に，テンプレートの値からMediaWikiの強調マークアップ（弱い強調，強調，強い強調のすべて）を除去してテキストに変換せよ（参考: マークアップ早見表）．
他との区別（斜体） ''他との区別''
強調（太字） '''強調'''
斜体と強調 '''''斜体と強調'''''
https://ja.wikipedia.org/wiki/Help:%E6%97%A9%E8%A6%8B%E8%A1%A8
"""
from q25 import get_basic_info
import re
key_value = get_basic_info()
result = [(key, re.sub(r'\'\'+', '', value)) for (key, value) in key_value]
print('\n'.join(map(str, result)))
# https://uxmilk.jp/8662